留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于相关向量机的机械LiDAR点云数据分类

刘志青 李鹏程 郭海涛 张保明 陈小卫 丁磊 赵传

刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传. 基于相关向量机的机械LiDAR点云数据分类[J]. 红外与激光工程, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006
引用本文: 刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传. 基于相关向量机的机械LiDAR点云数据分类[J]. 红外与激光工程, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006
Liu Zhiqing, Li Pengcheng, Guo Haitao, Zhang Baoming, Chen Xiaowei, Ding Lei, Zhao Chuan. Airborne LiDAR point cloud data classification based on relevance vector machine[J]. Infrared and Laser Engineering, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006
Citation: Liu Zhiqing, Li Pengcheng, Guo Haitao, Zhang Baoming, Chen Xiaowei, Ding Lei, Zhao Chuan. Airborne LiDAR point cloud data classification based on relevance vector machine[J]. Infrared and Laser Engineering, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006

基于相关向量机的机械LiDAR点云数据分类

doi: 10.3788/IRLA201645.S130006
基金项目: 

国家自然科学基金(41371436)

详细信息
    作者简介:

    刘志青(1986-),女,博士生,主要从事数字摄影测量与激光雷达方面的研究。Email:13525599533@163.com

  • 中图分类号: P237

Airborne LiDAR point cloud data classification based on relevance vector machine

  • 摘要: 针对支持向量机应用于机载LiDAR点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、核函数必须满足Mercer定理等缺点,提出了一种基于相关向量机的LiDAR点云数据分类算法。在分析稀疏贝叶斯分类模型及参数推断、预测基础上,利用拉普拉斯方法将相关向量机分类问题转化为回归问题,通过最大化边缘似然函数估计超参数,选择序列稀疏贝叶斯学习方法提高训练速度,构造一对余、一对一分类器实现点云数据多元分类研究。选择Niagara地区及非洲某地区的LiDAR点云数据进行实验,实验结果验证了基于相关向量机的点云分类方法的优势。
  • [1] Sun Meiling, Li Yongshu, Chen Qiang, et al. Iterative multi-scale filter based on morphological opening by reconstruction for LiDAR urban data[J]. Infrared and Laser Engineering, 2015, 44(1):363-369. (in Chinese) 孙美玲, 李永树, 陈强, 等. 基于迭代多尺度形态学开重建的城区LiDAR滤波方法[J]. 红外与激光工程, 2015, 44(1):363-369.
    [2] Vosselman G. Slope based filtering of laser altimetry data[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B3/2):935-942.
    [3] Rottensteiner F. A new method for building extraction in urban areas from high-resolution LiDAR data[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2002, 343(3/A):295-301.
    [4] Straub B M, Heipke C. Automatic extraction of trees for 3D-city models from images and height data[J]. Automatic Extraction of Man-Made Objects from Aerial and Space Images(III), 2001, 3:267-277.
    [5] Samadzadegan F, Bigdeli B, Ramzi R. A multiple classifier system for classification of LiDAR remote sensing data using multi-class SVM[C]//Multiple Classifier Systems:9th International Workshop, MCS 2010, 2010:254-264.
    [6] Lodha S K, Kreps E J, Helmbold D P, et al. Aerial LiDAR data classification using support vector machines(SVM)[C]//IEEE Proceedings of the Third International Symposium on 3D Data Processing, Visualization, and Transmission(3DPVT'06), 2006:567-574.
    [7] Bishop C M, Tipping M E. Variational Relevance Vector Machines[C]//Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence, 2000:46-53.
    [8] Silva C, Ribeiro B. Scaling text classification with relevance vector machines[C]//IEEE International Conference on Systems, Man and Cybernetics, 2006:4186-4191.
    [9] Nikolaev N, Tino P. Sequential relevance vector machine learning from time series[C]//IEEE International Joint Conference on Neural Networks, 2005:1308-1313.
    [10] Zhou Xin, Wu Ying. Research on signals modulation classification based on SVM and RVM[J]. Journal on Communications, 2010, 31(8A):94-99. (in Chinese) 周欣, 吴瑛. 基于SVM和RVM的信号调制分类研究[J]. 通信学报, 2010, 31(8A):94-99.
    [11] Yang Guopeng, Yu Xuchu, Zhou Xin, et al. Research on relevance vector machine for hyperspectral imagery classification[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(6):572-578. (in Chinese) 杨国鹏, 余旭初, 周欣, 等. 基于相关向量机的高光谱影像分类研究[J]. 测绘学报, 2010, 39(6):572-578.
    [12] MacKay D J C. The evidence framework applied to classification networks[J]. Neural Computation, 1992, 4(5):720-736.
    [13] Tipping M E. Sparse bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research,2001, 1:211-244.
  • [1] 杨程, 鄢秋荣, 祝志太, 王逸凡, 王明, 戴伟辉.  基于深度学习的压缩光子计数激光雷达 . 红外与激光工程, 2020, 49(S2): 20200380-20200380. doi: 10.3788/IRLA20200380
    [2] 张欣, 李思宁, 孙剑峰, 姜鹏, 刘迪, 王鹏辉.  基于Mean Shift点法向量分类的目标三维姿态估计 . 红外与激光工程, 2020, 49(S2): 20200109-20200109. doi: 10.3788/IRLA20200109
    [3] 田鹤, 毛宏霞, 刘铮, 曾铮.  机载逆合成孔径激光雷达微动目标稀疏成像 . 红外与激光工程, 2020, 49(S2): 20200190-20200190. doi: 10.3788/IRLA20200190
    [4] 张楠, 孙剑峰, 姜鹏, 刘迪, 王鹏辉.  激光雷达场景三维姿态点法向量估计方法 . 红外与激光工程, 2020, 49(1): 0105004-0105004(8). doi: 10.3788/IRLA202049.0105004
    [5] 沈振民, 赵彤, 王云才, 郑永超, 尚卫东, 王冰洁, 李静霞.  混沌脉冲激光雷达水下目标探测 . 红外与激光工程, 2019, 48(4): 406004-0406004(7). doi: 10.3788/IRLA201948.0406004
    [6] 胡善江, 贺岩, 陶邦一, 俞家勇, 陈卫标.  基于深度学习的机载激光海洋测深海陆波形分类 . 红外与激光工程, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004
    [7] 高健, 周安然, 孙东松, 郑俊, 李梓霂, 韩於利.  多普勒激光雷达中种子激光注入的一种鉴别方法 . 红外与激光工程, 2018, 47(2): 230001-0230001(7). doi: 10.3788/IRLA201847.0230001
    [8] 王强, 郝利丽, 唐红霞, 李贤丽, 牟海维, 韩连福, 赵远.  实际环境对量子激光雷达性能的影响 . 红外与激光工程, 2018, 47(S1): 29-35. doi: 10.3788/IRLA201847.S106006
    [9] 穆永吉, 万渊, 刘继桥, 侯霞, 陈卫标.  星载激光雷达望远镜主镜光机分析与优化 . 红外与激光工程, 2018, 47(7): 718002-0718002(7). doi: 10.3788/IRLA201847.0718002
    [10] 张东阁, 傅雨田.  基于一类支持向量机的盲元检测方法 . 红外与激光工程, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001
    [11] 马跃, 张文豪, 张智宇, 马昕, 李松.  基于半解析模型的激光测高回波海水海冰波形分类方法 . 红外与激光工程, 2018, 47(5): 506005-0506005(7). doi: 10.3788/IRLA201847.0506005
    [12] 夏文泽, 韩绍坤, 曹京亚, 王亮, 翟倩.  激光雷达距离估计技术 . 红外与激光工程, 2016, 45(9): 906005-0906005(6). doi: 10.3788/IRLA201645.0906005
    [13] 吴超, 刘春波, 韩香娥.  光波导相控阵激光雷达接收系统设计 . 红外与激光工程, 2016, 45(10): 1030003-1030003(6). doi: 10.3788/IRLA201645.1030003
    [14] 单坤玲, 刘新波, 卜令兵, 郜海阳, 黄兴友.  激光雷达和毫米波雷达的卷云微物理特性的联合反演方法 . 红外与激光工程, 2015, 44(9): 2742-2746.
    [15] 史风栋, 刘文皓, 汪鑫, 丁娟, 史屹君, 修春波.  室内激光雷达导航系统设计 . 红外与激光工程, 2015, 44(12): 3570-3575.
    [16] 曹开法, 黄见, 胡顺星.  边界层臭氧差分吸收激光雷达 . 红外与激光工程, 2015, 44(10): 2912-2917.
    [17] 李峰, 梁汉东, 米晓楠, 卫爱霞.  Landsat8卫星影像的多子区决策树土地覆被分类方法 . 红外与激光工程, 2015, 44(7): 2224-2230.
    [18] 姜成昊, 杨进华, 张丽娟, 李祥.  新型多普勒成像激光雷达原理设计与仿真 . 红外与激光工程, 2014, 43(2): 411-416.
    [19] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [20] 孙崇利, 苏伟, 武红敢, 刘睿, 刘婷, 黄健熙, 朱德海, 张晓东, 刘峻明.  改进的多级移动曲面拟合激光雷达数据滤波方法 . 红外与激光工程, 2013, 42(2): 349-354.
  • 加载中
计量
  • 文章访问数:  176
  • HTML全文浏览量:  16
  • PDF下载量:  230
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-02-20
  • 修回日期:  2016-03-03
  • 刊出日期:  2016-05-25

基于相关向量机的机械LiDAR点云数据分类

doi: 10.3788/IRLA201645.S130006
    作者简介:

    刘志青(1986-),女,博士生,主要从事数字摄影测量与激光雷达方面的研究。Email:13525599533@163.com

基金项目:

国家自然科学基金(41371436)

  • 中图分类号: P237

摘要: 针对支持向量机应用于机载LiDAR点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、核函数必须满足Mercer定理等缺点,提出了一种基于相关向量机的LiDAR点云数据分类算法。在分析稀疏贝叶斯分类模型及参数推断、预测基础上,利用拉普拉斯方法将相关向量机分类问题转化为回归问题,通过最大化边缘似然函数估计超参数,选择序列稀疏贝叶斯学习方法提高训练速度,构造一对余、一对一分类器实现点云数据多元分类研究。选择Niagara地区及非洲某地区的LiDAR点云数据进行实验,实验结果验证了基于相关向量机的点云分类方法的优势。

English Abstract

参考文献 (13)

目录

    /

    返回文章
    返回